周爱军， 张 松， 杜宇人

（1.南京师范大学泰州学院，江苏泰州225300；2.扬州大学信息工程学院，江苏扬州225000）

0 引 言

运动目标跟踪集成了人工智能、图像处理、模式识别以及神经网络等计算机领域的复杂技术［1-2］，是当前计算机视觉领域中研究的热门课题，广泛应用于身份识别、车辆导航、视频检索、人机交互、视频监控以及工业安防等领域。目标跟踪可以理解为对视频序列的每帧图像进行分析和处理，找到目标尺度［3］、颜色［4］、形状［5］和模式［6］等信息，通过前后帧图像的匹配［7-8］计算出目标的运动轨迹。

当前主要的跟踪算法有卡尔曼滤波［9］、Cam shift［10］、粒子滤波［11］和SVM［12］等。当目标跟踪过程中存在阴影、遮挡、实时性等问题时，传统算法缺少检测和修复跟踪偏差相结合模块，只能针对特定问题进行处理，并且只能在较短的时间内达到较好的跟踪效果。当目标初始化后，这些算法都是通过不同规则预测目标位置，当遇到遮挡和光照的变化时，就可能产生跟踪漂移现象，随着长时间的漂移累加最终导致目标丢失。

跟踪学习检测（Tracking Learning Detection，TLD）由Kalal提出，在单目标长时间跟踪中具有很大优势。与传统算法相比，该算法引入了在线学习机制，找出每1 帧图像中分类出现错误的样本进行纠正，并及时反馈给训练集，更新分类器。这种算法由于将跟踪、学习和检测相结合，在学习过程中持续更新目标模板参数，所以具有优秀的鲁棒性。本文提出了一种基于MeanShift的TLD目标跟踪算法，通过TLD 跟踪框的置信度来合理选择MeanShift跟踪算法迭代起始点，提高算法抗遮挡能力。……